Разработка программного комплекса для оценки и прогнозирования состояния регионов

 

Как известно, инвесторы могут вкладывать деньги в развитие регионов только при наличии адекватной оценки их состояния. Таким образом, анализ экономической и финансовой деятельности региона, оценка и диагностика его состояния, его инвестиционной привлекательности и кредитоспособности с помощью современных математических методов, моделей, инструментальных средств и интеллектуальных систем, являются своевременными и актуальными проблемами и задачами. В работе Узденова У. А. [2] разработана методика проведения подобного анализа на основе статистических методов и нечетких продукционных систем (НПС). Данная статья посвящена построению гибридной (нейро-нечеткой) сети для прогнозирования кредитоспособности регионов на основе разработанных Узденовым НПС.

Для началаопределим круг показателей, характеризующих экономическое, финансовое и социальное положение региона.

Рассмотрим основные показатели результатов экономической деятельности региона, предлагаемые рейтинговым агентством «АК&М», разбитые на 2 группы критериев [1]:

-                  критерии, определяющие финансовое состояние региона;

-                  критерии, определяющие уровень экономического развития региона и создающие предпосылки формирования доходной части бюджета.

В группу критериев, определяющих финансовое состояние региона, входят:

 — отношение объема государственного долга к объему доходов бюджета без учета объема безвозмездных поступлений. Объем государственного долга по отношению к доходам бюджета без учета безвозмездных поступлений является наиболее значимым критерием, определяющим долговую нагрузку на бюджет и соответственно, кредитоспособность региона. Очевидно, что чем больше долг субъекта РФ, тем выше риск неисполнения обязательств

- отношение объема доходов без учета безвозмездных поступлений от других бюджетов бюджетной системы РФ к общему объему доходов. Уровень доходов без учета безвозмездных поступлений от других бюджетов бюджетной системы РФ определяет степень независимости бюджета субъекта РФ от федерального центра. С ростом доли безвозмездных поступлений повышается опасность неисполнения обязательств из-за риска их несвоевременного поступления. Кроме того, недостаток доходов без учета безвозмездных поступлений говорит о слабости источников формирования доходной базы региона, что также приводит к увеличению вероятности невозврата долгов.

- объем доходов без учета безвозмездных поступлений от других бюджетов бюджетной системы РФ. Объем доходов без учета безвозмездных поступлений от других бюджетов бюджетной системы РФ в абсолютном выражении характеризует объем собственной доходной базы бюджета субъекта РФ, а следовательно, позволяет оценить возможности региона выполнять свои обязательства по долгам.

- отношение дефицита бюджета к доходам бюджета. Бюджетный дефицит определяет уровень превышения расходов над доходами регионального бюджета. Большой дефицит бюджета свидетельствует о несоответствии уровня доходов инвестиционным потребностям региона.

Увеличение дефицита бюджета в настоящем исследовании рассматривается как повышение кредитного риска.

В группу критериев, определяющих уровень экономического развития региона, входят:

- объем производства товаров и услуг на душу населения. Объем производства товаров и услуг на душу населения является показателем, характеризующим уровень экономического развития субъекта РФ, что в свою очередь определяет предпосылки формирования регионального бюджета. Более экономически развитые субъекты РФ обладают большей ресурсной базой для формирования доходов бюджета, а значит лучшими возможностями для погашения долговых обязательств, что является существенным позитивным фактором при оценке кредитоспособности. Объем производства товаров и услуг в регионе рассчитывается как сумма объемов производства по трем базовым видам экономической деятельности («добыча полезных ископаемых», «обрабатывающие производства», «производство и распределение электроэнергии, газа и воды»), объема работ, выполненных по виду деятельности «строительство» и объема платных услуг населению.

 — отношение задолженности по налогам к объему налоговых платежей. Отношение задолженности по налогам к общему объему налоговых платежей является одним из наиболее важных факторов, определяющих качество функционирования налоговой системы региона, что, в свою очередь, напрямую связано с формированием налоговых доходов регионального бюджета. Налоговые доходы — это основа доходов бюджета субъекта РФ, поэтому рост долгов по налогам нарушает механизм формирования денежных потоков, что в конечном итоге отрицательно влияет на кредитоспособность региона.

 — доля прибыльных предприятий в общем количестве, зарегистрированных на территории региона. Доля прибыльных предприятий на территории региона качественно определяет уровень поступления налога на прибыль в доходную часть регионального бюджета. На долю налога на прибыль предприятий приходится значительная доля суммарных доходов бюджетов. Ухудшение финансового положения предприятий неминуемо приведет к снижению налоговых поступлений, что обусловит рост кредитного риска.

 — сальдо прибылей и убытков крупных и средних предприятий определяет уровень поступлений налога на прибыль в региональный бюджет. Этот показатель дополняет предыдущий и определяет абсолютную величину поступления налога на прибыль.

 — среднедушевые денежные доходы населения. Денежные доходы населения косвенно определяют уровень поступлений налога на доходы физических лиц, которые занимают значительную долю в доходах бюджета. Снижение денежных доходов ведет к уменьшению поступления соответствующего налога, что в конечном итоге увеличивает кредитный риск региона.

 — инвестиции в основной капитал на душу населения. Объем инвестиций в основной капитал на душу населения характеризует инвестиционный климат и уровень инвестиционной активности в регионе. Другими словами, данный показатель характеризует предпосылки экономического развития субъекта РФ, т. е. предпосылки формирования доходной части бюджета.

Для исследования социально-экономического состояния субъектов РФ использовались показатели российских регионов, информация по которым ежегодно публикуется Росстатом РФ:

 — Плотность населения в чел/км2, рассчитывается как отношение численности населения региона (на 1 января 2009 г.) в тыс. человек к его площади территории тыс. км2.

 — Отношение занятых в экономике людей к общей численности населения (занятость населения региона). Это безразмерный показатель, который вычисляется как отношение среднегодовой численности занятых в экономике ко всей численности населения региона.

- Чистый подушевой доход в тыс. руб. в мес. рассчитывается как разность среднедушевых денежных доходов и потребительских расходов.

 — ВРП на душу населения в млн. руб. на человека. Этот показатель рассчитывается как отношение валового регионального продукта, выраженного в млн. руб., к численности населения региона.

 — Объем отгруженных товаров собственного производства, выполненных работ и услуг собственными силами по видам экономической деятельности на душу населения в млн. руб. на человека. Рассчитывается как отношение суммарного объема отгруженных товаров собственного производства, выполненных работ и услуг собственными силами по таким видам экономической деятельности как добыча полезных ископаемых, обрабатывающие производства, производство и распределение электроэнергии, газа, воды, к численности населения региона.

 — Объем продукции сельского хозяйства на душу населения в тыс. руб./чел. — отношение объема продукции сельского хозяйства в млн. руб. к численности населения региона.

 — Ввод общей жилой площади на душу населения в м2/ чел.

 — Объем розничной торговли на душу населения в тыс. руб. /чел.

 — Инвестиции в основной капитал на душу населения в млн. руб. /чел.

С результатами проведения многомерного статистического анализа можно ознакомиться в работе [2]. Для адекватного и эффективного исследования состояния конкретно взятого региона модели многомерного статистического анализа необходимо дополнять (т. к. эти модели дают недостоверный результат при исследовании одного, конкретно взятого региона) и использовать их в комплексе с другими моделями оценки состояния региона, такими как, нечёткие продукционные системы, т. е. составить репрезентативную группу методов [2].

На основании всех полученных результатов были построены нечеткие продукционные системы «REGION-FS-01» — для оценки финансовой устойчивости региона, «REGION-ES-01», для оценки экономического развития региона, «REGION-01» — для оценки кредитоспособности региона, «REGION-02» — для оценки социально — экономического состояния региона и «REGION-12» — для оценки инвестиционной привлекательности региона. Иерархическая взаимосвязь между которыми представлена на рисунке 1.

Рис. 1. Взаимосвязь созданных нечетких продукционных систем

 

 Далее на основе созданных нечётких продукционных систем (подробное их описание в работе [2]), нами была разработана гибридная (нейро-нечёткая) сеть, прогнозирующая кредитоспособность. Нечеткие нейронные сети или гибридные сети по замыслу их разработчиков призваны объединить в себе достоинства нейронных сетей и систем нечеткого вывода. С одной стороны, они позволяют разрабатывать и представлять модели систем в форме правил нечетких продукций, которые обладают наглядностью и простотой содержательной интерпретации. С другой стороны, для построения правил нечетких продукций используются методы нейронных сетей, что является более удобным и менее трудоемким процессом для системных аналитиков. В последнее время аппарат гибридных сетей повсеместно признается специалистами как один из наиболее перспективных для решения слабо или плохо структурированных задач прикладного системного анализа.

Основная идея, положенная в основу модели гибридных сетей, заключается в том, чтобы использовать существующую выборку данных для определения параметров функций принадлежности, которые лучше всего соответствуют некоторой системе нечеткого вывода. При этом для нахождения параметров функций принадлежности используются известные процедуры обучения нейронных сетей.

Обучающими данными для разработанной гибридной сети послужили результаты работы созданной НПС «REGION-01» (оценивает кредитоспособность). Далее эти показатели были помещены в файл с расширением.dat (рис. 2) и загружены в редактор ANFIS среды MATLAB в качестве обучающей выборки.

Рис. 2. Обучающие данные

 

Здесь первые два столбца — входные данные, а третий — выходная переменная. Входными данными для обучающей выборки послужили данные о кредитоспособности за 2006 г. и 2007 г. по 78 регионам (рис. 3), а выходными — за 2008 г. Для входных переменных было задано по восемь термов и, таким образом, в результате была сформирована гибридная сеть, содержащая 64 правила. Далее был выбран метод обучения гибридной сети — обратного распространения, уровень ошибки — 0, количество циклов обучения — 50000.

Рис. 3. Загруженная обучающая выборка

 

В итоге ошибка обучения составила 0,06554. Полученная гибридная сеть имеет достаточно сложную структуру (рис. 4).

Рис. 4. Структура гибридной сети

 

Далее на основе НПС и гибридной сети был разработан программный продукт. В качестве сред разработки программного продукта нами были выбраны MatlabR2010b и MicrosoftVisualStudio 2008. Построение нечетких продукционных систем и гибридной сети осуществлялось в Matlab-е, в пакетах FuzzyLogicToolbox и Anfis соответственно. Далее нами были написаны m-файлы на языке Matlab, которые позволяют считывать показатели и из файла с расширением.xls и запускать нечеткие продукционные системы на выполнение с данными параметрами, а также записывать результат в ячейку xls-файла. Затем из данных m-файлов с помощью команды deploytool были созданы dll-библиотеки, которые далее были подключены к C++, и дальнейшая работа велась в среде MicrosoftVisualStudio 2008 на языке C++. На этом языке мы создали простой и удобный интерфейс программного комплекса (рис. 5), так как язык программирования C++ легко интегрируется с Matlab-ом, а также работали с помощью ODBC с xls-таблицей как с базой данных, считывая и записывая ячейки таблицы.

База данных регионов на данный момент содержит 81 регион РФ и хранится в файле excel с возможностью дальнейшего её расширения (рис. 6). Для этого пользователю достаточно открыть xls-файл с регионами и внести туда необходимый регион. Как только это будет сделано и пользователь откроет программу, список регионов автоматически обновится. Этот автоматизм достигается посредством SQL-запроса к таблице excel.

Рис. 5. Общий вид главного окна программного комплекса

 

Далее в соответствии с тем, что мы рассчитываем, управление передается в один из трех m-файлов, рассчитывающих финансовую устойчивость, экономическое развитие или финансово-экономическое состояние, где при помощи нечетких продукционных систем производится расчет соответствующего показателя и его запись в столбец Result, созданного средствами C++ xls-файла (рис. 7). Таким образом, в xls-файле формируется отчет. Далее опять же при помощи SQL-запроса к файлу отчета ячейки с входными данными и результатом считываются и записываются в диалоговое окно программного комплекса (рис. 8), кроме того, в данном окне дается также качественная оценка результата. Рассчитаем финансовую устойчивость Краснодарского края за 2010 г. и получим значение 0,7491 и качественную оценку «Очень высокая» (рис. 8). Вернёмся к кредитоспособности и инвестиционной привлекательности, ведь при их расчете используется другой алгоритм: просматривается файл отчета и название выбранного региона сравнивается с названиями регионов из файла отчета, для которых уже был произведен расчет. Если в файле отчета есть такой регион и для него были рассчитаны соответствующие показатели (финансовая устойчивость и экономическое развитие для кредитоспособности либо кредитоспособность и финансово-экономическое состояние для инвестиционной привлекательности), то эти показатели считываются m-файлом и передаются в НПС, где проводится вычисление либо кредитоспособности, либо инвестиционной привлекательности, а далее вычисленные показатели записываются в столбец Result файла отчета и выводятся в диалоговое окно.

Рис. 6. База данных регионов

 

Рис. 7. Файл отчета

 

Рис. 8. Окно результатов финансовой устойчивости

 

При выборе пункта «Спрогнозировать кредитоспособность» данные также считываются из xls-файла и передаются на обработку в Matlab. Хотелось бы отметить, что для прогнозирования предусмотрен другой xls-файл с входными данными, содержащий сведения о кредитоспособности за два предыдущих года (по отношению к году, для которого пользователь хочет спрогнозировать), далее эти сведения передаются в гибридную сеть, которая и производит расчет. Выберем, например, Краснодарский край и спрогнозируем кредитоспособность на 2009 г. В результате получим значение 0,6414 (рис. 9).

Рис. 9. Результат работы гибридной системы

 

При нажатии на кнопку «Открыть редактор» пользователь может открыть fis-файл пакета FuzzyLogicToolboxMATLABа и работать непосредственно с ним.

 

Литература:

 

1.                Рейтинговое агентство АК&M. [Электронный ресурс] –http://www.akmrating.ru.
2.                Узденов У. А. Современные финансово-экономическое состояние и пути повышения рейтинга КЧР: монография / У. А. Узденов, А. В. Коваленко, М. Х. Уртенов // Карачаевск: КЧГУ, 2010. — 448 с.